4. JARINGAN SARAF MANUSIA
Sistem saraf bekerja melalui jaringan interkoneksi
miliaran neuron, 86 milyar neuron diantaranya
ada di otak manusia
Neuron ini mengirimkan informasi dalam bentuk
impuls saraf
Bertanggung jawab untuk mengendalikan dan
mengkoordinasikan semua fungsi tubuh
Sistem saraf manusia yang bersangkutan dengan
menerima informasi dari dunia luar, pengolahan,
dan kemudian menghasilkan respon yang tepat
Jaringan yang mengontrol dan mengkoordinasikan
semua kegiatan tubuh, dengan mengirimkan
pesan atau sinyal dari otak ke bagian-bagian
berbeda dari tubuh dan sebaliknya
5. STRUKTUR SEL
Neuron pada
manusia, terdiri
dari sel tubuh,
sebuah axon dan
banyak dendrit.
Axon :
penghubung yang
mengirimkan sinyal
keluaran neuron
menuju neuron
lainnya
Dendrit :
Fasilitator yang
menghubungkan
neuron dengan
axon dari neuron
lainnya
Nukleus :
Inti sel
pengolah
informasi
Sinapsis :
Berfungsi sebagai
persimpangan, di
mana impuls atau
informasi dapat
mengalir dari
satu neuron ke
yang lain
6. CARA KERJA SISTEM SARAF
Neuron sensorik mengirimkan rangsangan atau impuls yang
diterima dari alat indera (mata, hidung, kulit) ke sistem saraf pusat
(otak dan sumsum tulang belakang)
Interneuron berfungsi membaca impuls yang diterima dari neuron
sensorik dan memutuskan respon yang akan dihasilkan
Otak memproses rangsangan tersebut dan mengirimkannya kembali
ke bagian lain dari tubuh, memberitahu mereka bagaimana bereaksi
terhadap jenis tertentu dari stimulus.
Motor neuron bertanggung jawab untuk menerima sinyal dari saraf
otak dan tulang belakang, dan mengirim mereka ke bagian lain dari
tubuh
7. CARA KERJA NEURON
Cara kerja dari neuron adalah menggabungkan pengaruh dari
semua masukan dan mempertimbangkan apakah pengaruh
dari masukan tadi dapat mencapai threshold yang telah
ditetapkan atau tidak. Jika nilai threshold tadi tercapai, maka
neuron akan memproduksi keluaran dalam bentuk suatu pulsa
tertentu yang diproses dari sel hingga dikeluarkan melalui
axon. Jika hal ini terjadi, maka neuron sedang dalam keadaan
aktif.
9. NEURON PADA ARTIFICIAL
NEURAL NETWORK
Tiap penghubung diasosiasikan dengan sebuah nilai bobot (w).
Seperti pada sebuah sinapsis, nilai bobot menentukan derajat
pengaruh dari sebuah neuron ke neuron yang lainnya.
Pengaruh dari sebuah neuron ke neuron yang lainnya
merupakan hasil kali dari nilai keluaran dari neuron-neuron
yang masuk ke neuron (x) dengan nilai bobot (w) yang
menghubungkan neuron-neuron tadi.
Tiap neuron dikombinasikan dengan sebuah fungsi aktivasi
yang berfungsi sebagai penghubung dari penjumlahan semua
nilai masukan dengan nilai keluarannya. Keluaran dari neuron
inilah yang nantinya akan menentukan apakah sebuah neuron
itu aktif ataukah tidak.
11. ALVINN
Prototype ANN dikembangkan tahun 1993
Sistem kemudi otomatis kendaraan dengan
kecepatan normal di jalan raya
ANN melakukan pembelajaran selama 5
menit untuk mengetahui bagaimana
manusia mengendarai kendaraan
Alvinn berhasil menjalankan kendaraan
dengan kecepatan 70mph sejauh 90 mil di
jalan raya (sisi kiri jalan dengan lalu lintas
jalan normal)
12. ALVINN Input data berasal dari kamera dengan
sensor sebanyak 960 berukuran 30x32
pixel
Data diterima oleh 4 unit hidden layer
Output dari hidden layer diterima oleh 30
unit output layer yang menunjukkan
seberapa banyak kemudi harus diputar
Bobot dari masing-masing
unit
14. PROBLEM YANG BISA
DISELESAIKAN DENGAN
NEURAL NETWORK
Data pelatihan terlalu banyak noisy
Data yang kompleks
Penggunaan representasi simbolik, misalnya decision tree
15. KARAKTERSITIK PROBLEM
NEURAL NETWORK
Neural network bisa menyelesaikan problem yang mempunyai
karakteristik :
Instance direpresentasikan dalam pasangan attribute-value yang
banyak
Target output bisa bernilai diskrit, real, atau vector(diskrit/real)
Penggunaan representasi simbolik, misalnya decision tree
Data training bisa mengandung error
Tidak ada batasan waktu pelatihan
Dibutuhkannya evaluasi yang cepat terhadap proses pembelajaran
Tidak mementingkan kemampuan manusia untuk mengerti proses
pembelajaran
25. PERCEPTRON
Arsitektur sederhana dalam
jaringan syaraf tiruan terdiri dari
satu layer input unit (yang jumlah
neuronnya sesuai dengan
banyaknya jumlah komponen dari
data yang ingin dikenali) dan satu
output unit
27. PEMBELAJARAN
PERCEPTRON
Pembelajaran dengan perceptron memiliki asumsi bahwa
prosedur pembelajaran terbukti untuk mengarahkan bobot
menjadi konvergen. Perbedaan mendasar dengan Hebb net
adalah pada perceptron terdapat error pada input pattern yang
dilatihkan, maka bobot akan berubah sesuai dengan formula
w i (new) = w i (old) + tx i
dan jika tidak terdapat error maka nilai bobot tidak akan
berubah, atau dengan kata lain bahwa bobot hanya berubah
mengikuti kondisi tertentu.
28. PEMBELAJARAN
PERCEPTRON
Algoritma
Langkah 0 Inisialisasi semua bobot dan bias
Untuk kemudahan, set bobot dan bias = 0
Set learning rate ( 0 1) Untuk kemudahan, set =1
Langkah 1
selama kondisi stop tidak terpenuhi, lakukan langkah 2 – 6
Langkah 2
untuk setiap pasangan vektor input dan target output , s : t,
lakukan langkah 3 – 5
Langkah 3 Set aktivasi input :
x i = s i ,
Langkah 4 Hitung output :
y_in = b + i x i w i
29. PEMBELAJARAN
PERCEPTRON
Algoritma
y = 1 jika y_in >
0 jika - y_in
-1 jika y_in <
Langkah 5 update nilai bobot dan bias jika terjadi error
If y t
w i (new) = w i (old) + tx i
b (new) = b (old) + t
else
w i (new) = w i (old)
b (new) = b (old)
Langkah 6 Tes kondisi stop
Jika tidak ada bobot yang berubah pada step 2, maka stop,
selain itu lanjutkan
30. FUNGSI AKTIVASI
Melakukan transformasi input neuron menjadi output
# sign function
theta <- 0.5
yin <- 0.6
y <- 0
if (yin > theta) {
y <- 1
}
if (yin < -theta) {
y <- -1
}
# step function
theta <- 0.5
yin <- 2
if (yin > theta) {
y <- 1
} else {
y <- -1
}
# sigmoid function
yin <- 2
exp_value <- exp(-yin)
y <- 1 / (1 + exp_value)
print (sprintf ("yin=%g, y=%g", yin, y))
34. EXAMPLE 1
Bagaimana
memisahkan dua
kelompok tsb ?
Berapa nilai w1,
w2, w3 agar
diperoleh decision
boundary yang
optimal ?
x1
x2
Decision boundary
w1 X1 + w2 X2 + b = 0
w1 X1 + w2 X2 + b >= 0
w1 X1 + w2 X2 + b <
0
W X + b = 0
35. EXAMPLE 1
Berapa nilai w1,
w2, w3 agar
diperoleh decision
boundary yang
optimal ?
Boundary decision
:
f(x1, x2)
x1
x2
Decision boundary
w1 X1 + w2 X2 + b = 0
w1 X1 + w2 X2 + b >= 0
w1 X1 + w2 X2 + b <
0
1 if w1 X1 + w2 X2 + b >= 0
f(x1, x2) =
-1 if w1 X1 + w2 X2 + b < 0
36. EXAMPLE 1
Berapa nilai w1, w2, w3 agar diperoleh
decision boundary yang optimal ?
1 if w1 X1 + w2 X2 + b >= 0
f(x1, x2) =
-1 if w1 X1 + w2 X2 + b < 0
Step 0 : Inisialisasi bobot (w) dan bias (b)
Set learning rate
Step 1 : jalankan step 2-6 selama kondisi
false
Step 2 : Training untuk setiap record
Step 3 : set aktifasi input
Step 4 : Hitung respon output
Step 5 : Update bobot dan bias
Step 6 : Test kondisi (ada perubahan nilai bobot)
38. EXAMPLE 2
A perceptron is an artificial
neuron similar to a single
biological neuron. It takes a
set of weighted inputs, sums
the inputs and compares the
result with a threshold value.
If the result is above the
threshold value, the
perceptron fires, otherwise it
does not. When a perceptron
fires, the output is 1: when it
does not fire, the output is
zero.
Sebuah perceptron
Wi Xi + b = 0
39. EXAMPLE 2
Assume a case study with
three inputs and one output.
There are already four
examples with known inputs
and outputs
This set of inputs is used to
train a perceptron with all
equal weights (w1 = w2 =
w3).
The threshold is set to 0.8.
The original weight for all
inputs is 0.5
The weights remain the
40. EXAMPLE 2
The weights are
increased by 10% if
the output produced
is less than the output
data: the weights are
decreased by 10% if
the output produced
is greater than the
output data.
Inputs Weight Action
1 0 0 50% 0.5 0 0 None
0 0 1 50% 0.5 0 0 None
1 0 1 50% 1 1 0 Decrease
1 1 1 50% 1.5 1 1 None
Weighted
Sum
Output
produced
Actual
Output
Inputs Weight Action
1 0 0 50% 0.5 0 0 None
0 0 1 50% 0.5 0 0 None
1 0 1 40% 0.8 0 0 None
1 1 1 50% 1.5 1 1 None
Weighted
Sum
Output
produced
Actual
Output
41. ALGORITMA
Step 0 : Inisialisasi bobot (w) dan bias (b)
Set learning rate
Step 1 : jalankan step 2-6 selama kondisi false
Step 2 : Training untuk setiap record
Step 3 : set aktifasi input
Step 4 : Hitung respon output
Step 5 : Update bobot dan bias
Step 6 : Test kondisi (ada perubahan nilai bobot)
)
1
0
(
42. FORMULA
Respon Output
Update bobot dan bias
in
y
jika
y_in
jika
in
y
jika
y
w
x
b
in
y
i
i
i
_
1
0
_
1
_
)
(
)
(
)
(
)
(
)
(
)
(
)
(
)
(
lama
b
baru
b
lama
w
baru
w
t
y
jika
t
lama
b
baru
b
tx
lama
w
baru
w
t
y
jika
i
i
i
i
i
44. ITERASI
Epoch 1 baris 1
Input Net Out
Targ
et
Weight Changes Weight
(x1 x2 1) (W1 w2 b)
(0 0 0)
(1 1 1) 0 0 1 (1 1 1) (1 1 1)
Net = b +
(x1*w1+x2*w2)
Net = 0 + (1*0+1*0)
Net = 0
1 jika Net
>0
Out = 0 jika Net
=0
-1 jika
Net<0
dW1 = TX1= 1*1*1 =
1
dW2 = TX2= 1*1*1 =
1
dW3 = TX3= 1*1*1 =
1
W1 = W1+dW1 = 0+1 =
1
W2 = W2+dW2 = 0+1 =
1
W3 = W3+dW3 = 0+1 =
1
45. ITERASI
Epoch 1 baris 2
Input Net Out
Targ
et
Weight Changes Weight
(x1 x2 1) (W1 w
2
b)
(1 1 1)
(1 0 1) 2 1 -1 (-1 0 -1) (0 1 0)
Net = 1 +
(x1*w1+x2*w2)
Net = 1 + (1*1+0*1)
Net = 2
1 jika Net
>0
Out = 0 jika Net
=0
-1 jika
Net<0
dW1 = TX1= 1*-1*1 =
-1
dW2 = TX2= 1*-1*0 =
0
dW3 = TX3= 1*-1*1 =
-1
W1 = W1+dW1 = 1-1 =
0
W2 = W2+dW2 = 1+0 =
1
W3 = W3+dW3 = 1-1 =
0
46. ITERASI
Epoch 1 baris 3
Input Net Out
Targ
et
Weight Changes Weight
(x1 x2 1) (W1 w2 b)
(0 1 0)
(0 1 1) 1 1 -1 (0 -1 -1) (0 0 -1)
Net = b +
(x1*w1+x2*w2)
Net = 0 + (0*0+1*1)
Net = 1
1 jika Net
>0
Out = 0 jika Net
=0
-1 jika
Net<0
dW1 = TX1= 1*-1*0 =
0
dW2 = TX2= 1*-1*1 =
-1
dW3 = TX3= 1*-1*1 =
-1
W1 = W1+dW1 = 0+0
= 0
W2 = W2+dW2 = 1-1 =
0
W3 = W3+dW3 = 0-1 =
-1
47. ITERASI
Epoch 1 baris 4
Input Net Out
Targ
et
Weight Changes Weight
(x1 x2 1) (W
1
w2 b)
(0 0 -1)
(0 0 1) -1 -1 -1 (0 0 0) (0 0 -1)
Net = b +
(x1*w1+x2*w2)
Net = -1 + (0*0+0*0)
Net = -1
1 jika Net
>0
Out = 0 jika Net
=0
-1 jika
Net<0
Karena out=target,
maka tidak ada
perubahan bobot
W1 = W1+dW1 = 0+1 =
1
W2 = W2+dW2 = 0+1 =
1
W3 = W3+dW3 = 0+1 =
1
59. REFERENCES
1. Stuart Russell,Peter Norvig. 2009. Artificial Intelligence: A Modern
Approach (3rd Edition)
2. Dan Klein, Pieter Abbeel. 2013. Courseware edX Artificial
Intelligence University of California at Berkeley
3. D. Poole & A. Mackworth. 2010. Artificial Intelligence:
Foundations of Computational Agents. Cambridge University
Press
4. Tom M Michele, 1997, Machine Learning
5. Laurene Fausett, 1993, Fundamental of Neural Network :
Architecture, Algorithm and Applications
